Nach diesen Kursen fühle ich mich sicher, professionelle Visualisierungen und Dashboards zu erstellen.
Shoebur RahmanBeschaffungsspezialist, Giz Bangladesh
Kursbeschreibung
MLOps ist eine Reihe von Praktiken, die entwickelt wurden, um dir bei der Bereitstellung und Wartung von Machine-Learning-Modellen in der Produktion zu helfen. Heutzutage ist MLOps in der Industrie und Forschung total angesagt, weil es dafür sorgt, dass ML-Systeme einen Mehrwert schaffen.
Entdecke die volle Automatisierung in MLOps
In diesem Kurs lernst du, wie du Automatisierung in MLOps nutzen kannst, um ML-Systeme einzusetzen, die langfristig einen Mehrwert bieten. Du wirst lernen, wie sich versteckte technische Schulden auf ML-Systeme und den von ihnen erzeugten Wert auswirken. Du wirst auch verstehen, wie die Automatisierung und Optimierung der Phasen des ML-Lebenszyklus den Betrieb und die Skalierung von ML-Systemen unterstützen kann.Lerne mehr über die MLOps-Architektur
Du wirst mit praktischen und interaktiven Übungen die Bestandteile einer MLOps-Architektur kennenlernen und erfahren, wie wichtig diese für die vollständige Automatisierung von ML-Systemen sind.Entdecke CI/CD/CM/CT MLOps-Techniken
Im Laufe des Kurses lernst du, wie automatisierte CI/CD zusammen mit Continuous Monitoring (CM) und Continuous Training (CT) wichtige Techniken sind, um technische Schulden bei deinen ML-Implementierungen zu vermeiden.Verstehe Automatisierung in Bereitstellungsstrategien
Am Ende des Kurses wirst du verstehen, wie die Automatisierung mit MLOps die Bereitstellung deiner ML-Systeme in der Praxis verbessern und deinen Bereitstellungen Robustheit und Skalierbarkeit verleihen kann.Lerne los, hol dir Wissen in diesem super gefragten Bereich und finde raus, wie du Automatisierung beim Design von MLOps-Systemen einsetzen kannst.
Voraussetzungen
Lernprogramm
Kursübersicht
1
Einführung: in vollautomatisiertes MLOps
In diesem ersten Kapitel motivieren wir den Einsatz von MLOps im industriellen Umfeld. du lernst, warum es wichtig ist, um Wertschöpfung in Unternehmen zu unterstützen. Außerdem frischst du die ML-Phasen auf und fokussierst darauf, wie MLOps diese verbessert. Am Ende des Kapitels erkundest du eine Referenzarchitektur für ein vollautomatisiertes MLOps-System. Diese Architektur nutzt du anschließend, um Komponenten zu beleuchten, die für jedes MLOps-System wichtig sind – und als Ausgangspunkt für den Rest des Kurses dienen.
- Einführung in vollständig automatisiertes MLOps50 XP
- Versteckte technische Schulden müssen beglichen werden50 XP
- Versteckte technische Schulden in ML sind anders100 XP
- Phasen des MLOps-Lebenszyklus50 XP
- Vollautomatisiertes MLOps50 XP
- Automatisieren oder nicht automatisieren ...50 XP
- Für Skalierung bauen100 XP
- Referenzarchitektur: Vollständig automatisiertes MLOps50 XP
- Referenzarchitekturen in IT und MLOps50 XP
- MLOps-Architekturkomponenten100 XP
2
Architektur für vollautomatisiertes MLOps
In diesem Kapitel setzt du die Erkundung der zentralen Komponenten fort, aus denen ein vollautomatisiertes MLOps-System besteht. Zuerst betrachtest du die Bedeutung von Orchestrierung in MLOps und wie sie die Effizienz und Skalierbarkeit von ML-Pipelines sicherstellt. Danach schaust du dir verschiedene Deployment-Strategien in MLOps an und lernst, wie du die passende Strategie für dein System auswählst. Abschließend lernst du CI/CD/CT/CM kennen und wie es Orchestrierung und Best Practices ergänzt, um volle Automatisierung in MLOps-Systemen zu erreichen. Mit diesen Lektionen im Gepäck bist du besser gerüstet, ein vollautomatisiertes MLOps-System zu bauen, das effizient, präzise und zuverlässig ist.
3
Automatisierungsmuster
In diesem Kapitel tauchst du in die Welt der Automatisierung ein und lernst, widerstandsfähigere und effizientere ML-Systeme zu entwerfen. Du beginnst mit den Grundlagen der Automatisierung in MLOps-Systemen und entdeckst anschließend die Stärke von Entwurfsmustern und Fail-safe-Mechanismen. Außerdem lernst du, wie du automatisiertes Testen in MLOps-Systemen umsetzt und Hyperparameter-Tuning nutzt, um deine Modelle und Workflows zu optimieren. Am Ende dieses Kapitels verfügst du über das Wissen und die Fähigkeiten, vollautomatisierte MLOps-Systeme zu bauen und zu betreiben, die sowohl effizient als auch zuverlässig sind.
4
Automatisierung in MLOps-Deployments
In diesem letzten Kapitel vertiefst du die zentralen Komponenten einer automatisierten MLOps-Architektur. Von automatisiertem Experiment-Tracking und dem Model Registry über den Feature Store bis zur Rolle des Metadata Store: Dieses Kapitel vermittelt dir ein umfassendes Verständnis der Feinheiten eines vollautomatisierten MLOps-Systems. Egal, ob du bereits erfahren bist oder gerade erst anfängst – dieses Kapitel gibt dir das nötige Rüstzeug, um automatisierte MLOps-Workflows zu entwerfen.
R
Vollautomatisiertes MLOps
Kurs
abgeschlossen
